在移动应用开发中，加速度计和陀螺仪是获取设备运动状态的两个基础传感器。它们通常以50Hz甚至200Hz的频率产生三轴数据，也就是说每秒钟会产生上百条记录。如果把这些数据逐条INSERT进SQLite，即便SQLite本身很轻量，也会因为频繁的文件同步和事务开销导致写入速度跟不上采样速度。要解决这个问题，关键是改变写入策略：把传感器回调中收到的数据先缓存在内存队列，再以批量事务的方式周期性写入SQLite。本文以一个完整可运行的项目为例，介绍从采集、建表、优化到分析查询的全过程，重点展示如何通过WAL模式、预编译语句和批量提交让SQLite稳定承载高频传感器数据。

传感器数据的特点与建表策略

加速度计和陀螺仪分别测量设备的线性加速度和旋转角速度，输出都是三轴数值。加速度计的单位通常为m/s²，陀螺仪为rad/s，两者在数据形态上非常相似，因此可以共用一张表来存储。字段设计上，除了三轴数值，还需要记录时间戳和传感器类型。时间戳建议使用整数毫秒或纳秒，不建议存成TEXT，因为INTEGER在比较和建立索引时效率更高。传感器类型可以用整型常量区分，例如Android中Sensor.TYPE_ACCELEROMETER的值为1，Sensor.TYPE_GYROSCOPE的值为4。这里我们统一用type字段标识来源。

建表时还要考虑主键选择。如果每次都依赖自增ID，插入时SQLite需要维护自增计数器，在高频写入下会有轻微开销。对于传感器数据，如果时间戳足够精确且无重复，可以直接使用时间戳作为主键，但实际设备上System.currentTimeMillis()可能在同一毫秒内收到多条数据，因此比较稳妥的做法是保留自增ID，同时为时间戳和类型建立普通索引。这样可以兼顾插入速度和查询效率。下面是一个简洁的建表SQL。

CREATE TABLE sensor_data (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    timestamp INTEGER NOT NULL,
    type INTEGER NOT NULL,
    x REAL NOT NULL,
    y REAL NOT NULL,
    z REAL NOT NULL
);
CREATE INDEX idx_sensor_timestamp ON sensor_data(timestamp);
CREATE INDEX idx_sensor_type ON sensor_data(type);

这里REAL类型对应SQLite的8字节浮点数，足够传感器精度。不要使用BLOB或TEXT存储数值，否则查询时的数值运算必须额外转换，索引也无法高效工作。如果未来需要记录更多元数据，比如传感器精度或温度，可以增加字段，但要避免在一张表中混入大量稀疏列，这会影响查询性能和插入效率。

高频写入优化：批量事务与WAL模式

逐条调用insert()是传感器数据存储中最容易犯的错误。每次插入都会被SQLite当作一个独立事务处理，涉及文件系统的fsync操作，在普通移动设备闪存上，单条插入的性能往往只有几十到几百条每秒，远低于传感器的输出速率。解决方法是把多条插入合并到一个事务中。SQLite在事务提交之前只会写入一次日志，批量插入可以让磁盘写入从每条一次变成每批一次。实测中，开启事务后批量插入100条数据，通常只需要几毫秒，性能提升非常明显。

除了事务，预编译语句也值得使用。通过SQLiteStatement编译一次INSERT SQL，然后在循环中反复绑定参数，可以避免每次插入都重新解析SQL语句。此外，开启WAL模式（Write-Ahead Logging）可以让读操作和写操作并发执行，减少写锁对查询的阻塞。对于传感器记录器这种边写边读的场景，WAL是必须的。设置方法是在onConfigure()回调中启用enableWriteAheadLogging()，并把同步模式调整为PRAGMA synchronous=NORMAL，进一步降低刷盘频率。下面的代码展示了数据库帮助类的初始化配置。

public class SensorDbHelper extends SQLiteOpenHelper {
    private static final String DB_NAME = "sensor.db";
    private static final int DB_VERSION = 1;
    public SensorDbHelper(Context context) {
        super(context, DB_NAME, null, DB_VERSION);
    }
    @Override
    public void onConfigure(SQLiteDatabase db) {
        super.onConfigure(db);
        db.enableWriteAheadLogging();
        db.execSQL("PRAGMA synchronous=NORMAL");
    }
    @Override
    public void onCreate(SQLiteDatabase db) {
        db.execSQL("CREATE TABLE sensor_data (" +
                "id INTEGER PRIMARY KEY AUTOINCREMENT, " +
                "timestamp INTEGER NOT NULL, " +
                "type INTEGER NOT NULL, " +
                "x REAL NOT NULL, " +
                "y REAL NOT NULL, " +
                "z REAL NOT NULL)");
        db.execSQL("CREATE INDEX idx_sensor_timestamp ON sensor_data(timestamp)");
        db.execSQL("CREATE INDEX idx_sensor_type ON sensor_data(type)");
    }
    @Override
    public void onUpgrade(SQLiteDatabase db, int oldVersion, int newVersion) {
    }
}

批量写入的核心代码如下。在调用beginTransaction()之后，循环执行executeInsert()，全部成功后再setTransactionSuccessful()。如果在循环中间出现异常，直接跳到finally中结束事务，已插入的数据会回滚。为了避免缓冲区无限增长，调用方应该控制每次批量的大小，一般500毫秒或100条数据批量提交一次比较合适。

public void insertBatch(List<SensorData> dataList) {
    SQLiteDatabase db = getWritableDatabase();
    db.beginTransaction();
    try {
        SQLiteStatement stmt = db.compileStatement(
            "INSERT INTO sensor_data (timestamp, type, x, y, z) VALUES (?, ?, ?, ?, ?)");
        for (SensorData data : dataList) {
            stmt.clearBindings();
            stmt.bindLong(1, data.timestamp);
            stmt.bindLong(2, data.type);
            stmt.bindDouble(3, data.x);
            stmt.bindDouble(4, data.y);
            stmt.bindDouble(5, data.z);
            stmt.executeInsert();
        }
        db.setTransactionSuccessful();
    } finally {
        db.endTransaction();
    }
}

注意，WAL模式虽然提升读写并发，但会增加额外的WAL文件，长时间运行后需要定期执行checkpoint。在移动设备上，可以调用SQLiteDatabase的walCheckpoint()手动触发，或者依赖SQLite的自动checkpoint。另外，synchronous=NORMAL在系统崩溃时可能丢失最近几个事务，但对传感器数据这种可再生的数据来说通常是可以接受的取舍。

传感器数据的查询与运动特征提取

存储只是第一步，真正有价值的是从传感器数据中提取运动特征。常见的查询需求包括：获取某时间段内的数据、按传感器类型过滤、计算三轴均值或方差、检测峰值等。利用SQLite内置的聚合函数，可以直接在数据库层面完成大部分统计工作。例如，下面的SQL可以查询最近10秒内加速度计三轴的平均值。BETWEEN条件配合时间戳索引，可以快速定位到指定范围的数据，避免全表扫描。

SELECT AVG(x), AVG(y), AVG(z)
FROM sensor_data
WHERE type = 1
  AND timestamp BETWEEN ? AND ?;

如果需要对数据按秒进行粒度划分，比如统计每秒的步数特征，可以使用GROUP BY timestamp / 1000将毫秒时间戳归到每一秒。SQLite在分组时会进行排序，因此在timestamp上建立索引可以减少排序开销。对于合加速度的计算，虽然SQLite支持数学函数，但通常建议把原始三轴数据读取到应用层再计算，因为应用层可以复用已经初始化的浮点运算，并且可以结合卡尔曼滤波等信号处理算法。下面是一段读取数据并计算平均合加速度的示例代码。

public float[] computeAverageMagnitude(long startTime, long endTime) {
    SQLiteDatabase db = getReadableDatabase();
    Cursor cursor = db.rawQuery(
        "SELECT x, y, z FROM sensor_data WHERE type=1 AND timestamp BETWEEN ? AND ?",
        new String[]{String.valueOf(startTime), String.valueOf(endTime)});
    float sum = 0;
    int count = 0;
    while (cursor.moveToNext()) {
        float x = cursor.getFloat(0);
        float y = cursor.getFloat(1);
        float z = cursor.getFloat(2);
        float magnitude = (float) Math.sqrt(x * x + y * y + z * z);
        sum += magnitude;
        count++;
    }
    cursor.close();
    float average = count > 0 ? sum / count : 0;
    return new float[]{sum, count, average};
}

如果查询涉及多个条件，例如同时过滤类型和时间范围，复合索引(type, timestamp)会比两个单列索引更高效。可以通过EXPLAIN QUERY PLAN语句查看实际执行计划，确认索引被使用。对于传感器数据这种时间序列，通常时间戳索引最重要，因为大部分分析都以时间窗口为单位。类型过滤如果数据量大，也可以加进去，但要注意索引维护的存储开销。

完整实战整合：一个稳定的传感器记录器

将前述优化组合起来，可以实现一个稳定运行的后台传感器记录器。基本思路是：在onSensorChanged()回调中只做数据入队操作，不执行任何磁盘I/O；单独用一个定时任务周期性地将队列中的数据批量写入数据库。这样可以避免传感器回调线程被阻塞，从而保证采样不丢数据。缓冲队列可以使用普通的ArrayList加锁保护，也可以使用ArrayBlockingQueue等并发容器。下面是一个简化但可用的实现。

public class SensorRecorder implements SensorEventListener {
    private final SensorManager sensorManager;
    private final Sensor accelerometer;
    private final Sensor gyroscope;
    private final SensorDbHelper dbHelper;
    private final List<SensorData> buffer = new ArrayList<>();
    private final Handler handler = new Handler(Looper.getMainLooper());
    private Runnable flushRunnable;
    public SensorRecorder(Context context) {
        sensorManager = (SensorManager) context.getSystemService(Context.SENSOR_SERVICE);
        accelerometer = sensorManager.getDefaultSensor(Sensor.TYPE_ACCELEROMETER);
        gyroscope = sensorManager.getDefaultSensor(Sensor.TYPE_GYROSCOPE);
        dbHelper = new SensorDbHelper(context);
    }
    public void start() {
        sensorManager.registerListener(this, accelerometer, SensorManager.SENSOR_DELAY_GAME);
        sensorManager.registerListener(this, gyroscope, SensorManager.SENSOR_DELAY_GAME);
        flushRunnable = new Runnable() {
            @Override
            public void run() {
                flushBuffer();
                handler.postDelayed(this, 500);
            }
        };
        handler.postDelayed(flushRunnable, 500);
    }
    @Override
    public void onSensorChanged(SensorEvent event) {
        SensorData data = new SensorData();
        data.timestamp = System.currentTimeMillis();
        data.type = event.sensor.getType();
        data.x = event.values[0];
        data.y = event.values[1];
        data.z = event.values[2];
        synchronized (buffer) {
            buffer.add(data);
        }
    }
    private void flushBuffer() {
        List<SensorData> snapshot;
        synchronized (buffer) {
            snapshot = new ArrayList<>(buffer);
            buffer.clear();
        }
        if (!snapshot.isEmpty()) {
            dbHelper.insertBatch(snapshot);
        }
    }
    public void stop() {
        handler.removeCallbacks(flushRunnable);
        flushBuffer();
        sensorManager.unregisterListener(this);
    }
}

上述代码中，SENSOR_DELAY_GAME约对应50Hz的采样率，两个传感器同时工作每秒产生约100条记录。500毫秒批量写入一次，每批约50条，写入压力很小。如果需要更高采样率，可以把批量间隔缩短到200毫秒，同时增加缓冲区大小。务必在onPause()或onStop()中调用stop()，否则传感器会持续耗电。

存储空间管理同样不可忽视。以每条约40字节估算，50Hz单传感器连续运行一小时会产生约7MB数据，一天约168MB。可以在记录器启动时清理超过30天的旧数据，或者让用户设置存储上限。清理操作本身也要放到事务中批量执行，避免长时间持有写锁。例如执行DELETE FROM sensor_data WHERE timestamp < ?时，可以分批次删除每次删除一定行数，减少主线程阻塞。数据导出方面，可以写一个方法将查询结果整理为CSV格式，方便后续在桌面端分析。

整个项目的关键点可以总结为：传感器数据先用内存缓存，再以批量事务写入SQLite；开启WAL模式降低读写冲突；建表时使用整数时间戳和类型索引；查询时尽量利用聚合函数和时间窗口来减少数据搬运。这套方法同样适用于其他高频传感器数据存储，比如磁力计、气压计或GPS轨迹。